技術要約：反事実的決定のための予測集合

1. 問題提起

本論文は、**反事実的な設定（counterfactual settings）**における、予測の不確実性を伴う高リスクな意思決定の課題に取り組んでいる。標準的な予測問題では、取られた行動に関わらず、結果 $Y$ は固定されている。しかし、反事実的な意思決定（例：治療選択、政策立案、マーケティング）においては、実現される結果 $Y(A)$ は選択された行動 $A$ に依存する。

核心となる困難は、不確実性の定量化と決定ルールとの間の相互依存性にある：

1. 結合された結果： 予測集合によって「カバー」されるべき結果は固定されておらず、選択された行動によって決定される。
2. 妥当性と最適性のギャップ： コンフォーマル予測は、固定された結果に対して統計的な妥当性（被覆保証）を提供するが、決定ルール自体が実現される結果の分布を変化させる場合、その保証がどのように最適性に変換されるかは不明確である。既存の手法は、潜在的な結果を独立して扱うか、あるいは反事実的な構造を無視することが多く、その結果、決定が劣悪になったり、誘導された方策（policy）に対して被覆が不当になったりする。

中心的な問いは、**「行動がどの潜在的な結果を実現するかを決定する場合、不確実性の定量化と反事実的な意思決定との間の適切なインターフェースは何であるか？」**という点である。

2. 方法論およびフレームワーク

著者らは、**方策結合被覆（Policy-Coupled Coverage）**と、**方策結合リスク回避型コンフォーマル予測（PC-RACP）**と呼ばれる2段階の構成手順を中心とした、決定論的なフレームワークを提案している。

2.1 決定論的基礎

• リスク回避的目標： 本フレームワークは、エージェントが実現効用に対する高確率な下限（効用証明書）を最大化しようとする、リスク回避的な目標を採用している。
• 集合誘導型決定ルール： 一連の予測集合 $\{C(x, a)\}_{a \in \mathcal{A}}$（各行動に対して一つ）が与えられたとき、エージェントはmax-minルールを用いる：
  $$\pi_{RA}(x; C) = \arg\max_{a \in \mathcal{A}} \inf_{y \in C(x, a)} u(a, y)$$
  このルールは、予測された結果集合内におけるワーストケースの効用を最大化する行動を選択する。

2.2 方策結合被覆 (PCC)

著者らは、必要な妥当性の概念として**方策結合被覆（Policy-Coupled Coverage）**を導入している。各行動ごとの周辺被覆（すべての $a$ に対して $P(Y(a) \in C(X, a)) \ge 1-\alpha$ を要求するもの）とは異なり、PCCは、予測集合自身によって誘導される方策の下で、実現された結果をカバーすることを要求する：
$$P\left( Y(\pi_{RA}(X)) \in C(X, \pi_{RA}(X)) \right) \ge 1 - \alpha$$
理論的正当性：

• ミニマックス最適性： 定理2.1は、分布の曖昧性（真の分布は未知であるがPCCを満たす場合）の下で、max-minルール $\pi_{RA}$ がミニマックス最適決定ルールであることを確立している。
• 損失のないインターフェース： 定理3.1は、PCCの下で予測集合を最適化することが、方策および効用証明書を直接最適化すること（RA-DPO）と等価であることを証明している。したがって、予測集合はリスク回避的な反事実的決定のための「損失のないインターフェース」として機能する。
• 普遍的被覆への等価性： 定理3.2は、PCCの下での最適化が、より強力な「普遍的被覆（universal coverage）」条件（あらゆる方策に対して有効）の下での最適化と等価であることを示しているが、PCCは誘導された方策に対してはより弱く、かつ実用的である。

2.3 PC-RACP アルゴリズム

これら（予測集合）を有限サンプルで構築するために、著者らは2段階の手順を提案している：

1. モデル推定と方策学習：
   • データを訓練、学習、較正（calibration）のセットに分割する。
   • 条件付き効用分位点 $\hat{\gamma}(x, t, a)$ と最適な条件付き被覆割り当てルール $\hat{g}(x, \beta)$ を推定する。
   • 学習セットを使用して、近似的な被覆制約を満たすパラメータ $\hat{\beta}$ を見つけ、固定されたmax-min方策 $\hat{a}(\cdot)$ を誘導する。
2. 重み付きコンフォーマル較正：
   • 行動と決定ルールを分離するために、方策 $\hat{a}(\cdot)$ を固定する。
   • ログ記録された行動が $\hat{a}(X)$ と一致するインスタンスに絞り込んだ較正セットを使用して、重み付きコンフォーマル予測を行う。
   • 行動方策に基づく重要度重みを用いて共変量シフトを調整する。
   • 誘導された方策 $\hat{a}(\cdot)$ に対してPCC保証を満たすように、最終的な予測集合 $\hat{C}(x, a)$ を構築する。

3. 主な貢献

1. 新しい妥当性の概念： 反事実的な設定における不確実性と行動の間の、決定論的に最適なインターフェースとして、**方策結合被覆（Policy-Coupled Coverage）**を特定した。
2. 理論的等価性： PCCの下での予測集合の最適化が、普遍的被覆の最適化および直接的なリスク回避型方策の最適化の両方と等価であることを証明し、予測集合が損失のないインターフェースであることを確立した。
3. 明示的な最適形式： 条件付き効用分位点に基づく閾値ベースの、母集団最適予測集合の明示的な形式を導出した（定理3.4）。
4. 有限サンプル手順： 方策がデータから学習される場合であっても、誘導された方策の下での実現結果に対して厳密な有限サンプル被覆保証を実現する、実用的なアルゴリズムであるPC-RACPを開発した。

4. 実験結果

著者らは、シミュレーションと実世界のメールマーケティング実験（Hillstromデータセット）を通じてフレームワークを検証している。

• 合成シミュレーション：
  • 被覆率： PC-RACPは、ターゲットとなる $1-\alpha$ に近い経験的被覆率を達成する。対照的に、標準的なリスク回避型コンフォーマル（RAC）手法（反事実的構造を無視したもの）はターゲットを下回り、「プラグイン（Plug-in）」ベースラインは正確な被覆を提供できない。
  • 効用： PC-RACPは、様々な誤被覆レベル $\alpha$ において、一貫して最も高い平均効用証明書を達成する。
• Hillstrom メールマーケティング実験：
  • 被覆率： PC-RACPは公称レベルに近い被覆率を維持する。RACは過度に保守的である（被覆がターゲットを大幅に上回る）。
  • 効用： PC-RACPの方が高い効用をもたらす。
  • 利得のメカニズム： 分析により、PC-RACPが以下の2つのレジームで効用を得ていることが明らかになった：
    • 小さい $\alpha$ の場合： 主要な行動に対して、曖昧な集合（$\{0, 1\}$ のようなもの）の頻度を減らすことで、よりシャープな予測集合を構築する。
    • 大きい $\alpha$ の場合： 有効な被覆を維持しながら、高報酬の行動（メール送信）をRACよりも頻繁に選択する。

5. 意義と主張

本論文は、不確実性の定量化を反事実的な決定の最適性に厳密に結びつける、最初の決定論的フレームワークを提供すると主張している。

• 構造を無視することの劣悪性： 著者らは、決定問題の反事実的な性質を無視すること（すなわち、結果を固定されたものとして扱うこと）が、統計的妥当性と決定効用の両面において劣悪であることを示している。
• 決定を意識した不確実性： 本研究は、反事実的な問題における不確実性の定量化は、それがサポートする決定に基づいて設計されなければならないと主張している。方策結合被覆は、より広範な「決定を意識した不確実性の定量化」の理論への基礎的なステップとして提示されている。
• 実用的な適用可能性： 提案されたPC-RACP手法は、行動が結果に影響を与える高リスクな意思決定において、厳密な有限サンプル有効手順を提供し、コンフォーマル予測理論と因果推論の応用との間の溝を埋めるものである。